Regresión Logística en Python - Aprende Machine Learning

2/1/23, 8:30 PM Regresión Logística en Python | Aprende Machine Learning
 
Aprende Machine
Learning
en Español
Privacy - Terms
https://www.aprendemachinelearning.com/regresion-logistica-con-python-paso-a-paso/ 1/30
 
PRÁCTICA
Regresión Logística con

Python paso a paso
 November 23, 2017 by Na8
Breve Introducción a la Regresión Logística
Utilizaremos algoritmos de Machine Learning en Python para resolver un problema de

Regresión Logística. A partir de un conjunto de datos de entrada (características), nuestra
salida será discreta (y no continua) por eso utilizamos Regresión Logística (y no
Regresión Lineal). La Regresión Logística es un Algoritmo Supervisado y se utiliza para
clasificación.
 
Vamos a clasificar problemas con dos posibles estados “SI/NO”: binario o un número

finito de “etiquetas” o “clases”: múltiple. Algunos Ejemplos de Regresión Logística son:
 
Clasificar si el correo que llega es Spam o No es Spam
Dados unos resultados clínicos de un tumor clasificar en “Benigno” o “Maligno”.
El texto de un artículo a analizar es: Entretenimiento, Deportes, Política ó Ciencia
A partir de historial bancario conceder un crédito o no
Confiaremos en la implementación del paquete sklearn en Python para ponerlo en

práctica.
Ejercicio de Regresión Logística en Python
Para nuestro ejercicio he creado un archivo csv con datos de entrada a modo de ejemplo
para clasificar si el usuario que visita un sitio web usa como sistema operativo Windows,
Macintosh o Linux.
Nuestra información de entrada son 4 características que tomé de una web que utiliza
Google Analytics y son:
Duración de la visita en Segundos

Cantidad de Páginas Vistas durante la Sesión
Cantidad de Acciones del usuario (click, scroll, uso de checkbox, sliders,etc)
Suma del Valor de las acciones (cada acción lleva asociada una valoración de
importancia)
Como la salida es discreta, asignaremos los siguientes valores a las etiquetas:
0 – Windows
1 – Macintosh
2 -Linux
La muestra es pequeña: son 170 registros para poder comprender el ejercicio, pero
recordemos que para conseguir buenos resultados siempre es mejor contar con un
 número abundante de datos que darán mayor exactitud a las predicciones y evitarán 
problemas de overfitting u underfitting. (Por decir algo, de mil a 5 mil registros no estaría
mal).
Requerimientos técnicos
Para ejecutar el código necesitas tener instalado Python -tanto la versión 2.7 o 3.6- y varios
paquetes usados comúnmente en Data Science. Recomiendo tener instalada la suite
Anaconda o Canopy, muy sencillas y con los paquetes para “Data Science” ya pre-
instalados y funcionan en todas las plataformas.
¿Cómo instalar tu ambiente de desarrollo Python Anaconda?
Para este ejemplo he creado un block de notas Jupyter donde se muestra paso a paso el
ejercicio. Se puede descargar desde aqui o se puede seguir online desde el Jupyter
Notebook Viewer.
Regresión Logística con SKLearn:
Identificar Sistema Operativo de los usuarios
Para comenzar hacemos los Import necesarios con los paquetes que utilizaremos en el
Ejercicio.
1 import pandas as pd
2 import numpy as np
3 from sklearn import linear_model
4 from sklearn import model_selection
5 from sklearn.metrics import classification_report
6 from sklearn.metrics import confusion_matrix
7 from sklearn.metrics import accuracy_score
8 import matplotlib.pyplot as plt
9 import seaborn as sb
10 %matplotlib inline
 Leemos el archivo csv (por sencillez, se considera que estará en el mismo directorio que el 
archivo de notebook .ipynb) y lo asignamos mediante Pandas a la variable
dataframe. Mediante el método dataframe.head() vemos en pantalla los 5 primeros
registros.
1 dataframe = pd.read_csv(r"usuarios_win_mac_lin.csv")
2 dataframe.head()
A continuación llamamos al método dataframe.describe() que nos dará algo de

información estadística básica de nuestro set de datos. La Media, el desvío estándar,
valores mínimo y máximo de cada característica.
1 dataframe.describe()
Luego analizaremos cuantos resultados tenemos de cada tipo usando la función groupby
y vemos que tenemos 86 usuarios “Clase 0”, es decir Windows, 40 usuarios Mac y 44 de
 Linux. 
1 print(dataframe.groupby('clase').size())
Visualización de Datos
Antes de empezar a procesar el conjunto de datos, vamos a hacer unas visualizaciones

que muchas veces nos pueden ayudar a comprender mejor las características de la
información con la que trabajamos y su correlación.
Primero visualizamos en formato de historial los cuatro Features de entrada con nombres
“duración”, “páginas”,”acciones” y “valor” podemos ver gráficamente entre qué valores se
comprenden sus mínimos y máximos y en qué intervalos concentran la mayor densidad
de registros.
1 dataframe.drop(['clase'],1).hist()
2 plt.show()
Y también podemos interrelacionar las entradas de a pares, para ver como se concentran
linealmente las salidas de usuarios por colores: Sistema Operativo Windows en azul,
 Macintosh en verde y Linux en rojo. 
1 sb.pairplot(dataframe.dropna(), hue='clase',size=4,vars=["duracion", "paginas","acciones","valor"],kind
Creamos el Modelo de Regresión Logística
Ahora cargamos las variables de las 4 columnas de entrada en X excluyendo la columna

“clase” con el método drop(). En cambio agregamos la columna “clase” en la variable
y. Ejecutamos X.shape para comprobar la dimensión de nuestra matriz con datos de
entrada de 170 registros por 4 columnas.
1 X = np.array(dataframe.drop(['clase'],1))
2 y = np.array(dataframe['clase'])
3 X.shape
(170, 4)
Y creamos nuestro modelo y hacemos que se ajuste (fit) a nuestro conjunto de entradas X
y salidas ‘y’.
 
1 model = linear_model.LogisticRegression()
2 model.fit(X,y)
<
p class=””>LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,

intercept_scaling=1, max_iter=100, multi_class=’ovr’, n_jobs=1,
penalty=’l2′, random_state=None, solver=’liblinear’, tol=0.0001,
verbose=0, warm_start=False)
Una vez compilado nuestro modelo, le hacemos clasificar todo nuestro conjunto de
entradas X utilizando el método “predict(X)” y revisamos algunas de sus salidas y vemos
que coincide con las salidas reales de nuestro archivo csv.
1 predictions = model.predict(X)
2 print(predictions)[0:5]
[2 2 2 2 2]
Y confirmamos cuan bueno fue nuestro modelo utilizando model.score() que nos devuelve
la precisión media de las predicciones, en nuestro caso del 77%.
1 model.score(X,y)
0.77647058823529413
Validación de nuestro modelo
Una buena práctica en Machine Learning es la de subdividir nuestro conjunto de datos de

entrada en un set de entrenamiento y otro para validar el modelo (que no se utiliza
durante el entrenamiento y por lo tanto la máquina desconoce). Esto evitará problemas en
los que nuestro algoritmo pueda fallar por “sobregeneralizar” el conocimiento.
Para ello, subdividimos nuestros datos de entrada en forma aleatoria (mezclados)

utilizando 80% de registros para entrenamiento y 20% para validar.
 
1 validation_size = 0.20
2 seed = 7
3 X_train, X_validation, Y_train, Y_validation = model_selection.train_test_split(X, y, test_size=validat
Volvemos a compilar nuestro modelo de Regresión Logística pero esta vez sólo con 80%
de los datos de entrada y calculamos el nuevo scoring que ahora nos da 74%.
1 name='Logistic Regression'
2 kfold = model_selection.KFold(n_splits=10, random_state=seed)
3 cv_results = model_selection.cross_val_score(model, X_train, Y_train, cv=kfold, scoring='accuracy')
4 msg = "%s: %f (%f)" % (name, cv_results.mean(), cv_results.std())
5 print(msg)
Logistic Regression: 0.743407 (0.115752)
Y ahora hacemos las predicciones -en realidad clasificación- utilizando nuestro “cross
validation set”, es decir del subconjunto que habíamos apartado. En este caso vemos que
los aciertos fueron del 85% pero hay que tener en cuenta que el tamaño de datos era
pequeño.
1 predictions = model.predict(X_validation)
2 print(accuracy_score(Y_validation, predictions))
0.852941176471
Finalmente vemos en pantalla la “matriz de confusión” donde muestra cuantos resultados

equivocados tuvo de cada clase (los que no están en la diagonal), por ejemplo predijo 3
usuarios que eran Mac como usuarios de Windows y predijo a 2 usuarios Linux que
realmente eran de Windows.
Reporte de Resultados del Modelo

1 print(confusion_matrix(Y_validation, predictions))
También podemos ver el reporte de clasificación con nuestro conjunto de Validación. En

nuestro caso vemos que se utilizaron como “soporte” 18 registros windows, 6 de mac y 10
 de Linux (total de 34 registros). Podemos ver la precisión con que se acertaron cada una 
de las clases y vemos que por ejemplo de Macintosh tuvo 3 aciertos y 3 fallos (0.5 recall).
La valoración que de aqui nos conviene tener en cuenta es la de F1-score, que tiene en
cuenta la precisión y recall. El promedio de F1 es de 84% lo cual no está nada mal.
1 print(classification_report(Y_validation, predictions))
Clasificación (o predicción) de nuevos

valores
Como último ejercicio, vamos a inventar los datos de entrada de navegación de un

usuario ficticio que tiene estos valores:
Tiempo Duración: 10
Paginas visitadas: 3
Acciones al navegar: 5
Valoración: 9
Lo probamos en nuestro modelo y vemos que lo clasifica como un usuario tipo 2, es decir,
de Linux.
1 X_new = pd.DataFrame({'duracion': [10], 'paginas': [3], 'acciones': [5], 'valor': [9]})

2 model.predict(X_new)
array([2])
 Los invito a jugar y variar estos valores para obtener usuarios de tipo Windows o 
Macintosh.
En este ejercicio las 3 clases están equilibradas, pero ¿Qué pasa si

tengo desbalanceo de datos? Aqui te lo cuento!
Conclusiones
Durante este artículo vimos cómo crear un modelo de Regresión Logística en Python para
poder clasificar el Sistema Operativo de usuarios a partir de sus características de
navegación en un sitio web. A partir de este ejemplo, se podrá extender a otro tipos de
tareas que pueden surgir durante nuestro trabajo en el que deberemos clasificar
resultados en valores discretos. Si tuviéramos que predecir valores continuos, deberemos
aplicar Regresión Lineal.
Espero que puedan seguir correctamente el ejercicio y si tienen inconvenientes técnicos

me escriben en los comentarios para solucionarlos o si encuentran mejoras al
texto/ejercicio, también espero sus sugerencias. Recuerda descargar los archivos para
realizar el Ejercicio:
Archivo de Entrada csv (su nombre es usuarios_win_mac_lin.csv)

Notebook Jupyter Python (clic derecho y “descargar archivo como…”)
OPCIÓN 2: Se puede ver online en Jupyter Notebook Viewer
OPCIÓN 3: Se puede visualizar y descargar el Notebook y el csv desde mi cuenta de
Github
Si te interesa aprender algoritmos con Python, ahora está

disponible “K-means” paso a paso y árbol de decisión te invito a
leerlos.
 
Como siempre los invito a suscribirse al blog y a compartir las entradas en Redes Sociales
para que podamos aumentar nuestra comunidad de “estudiantes” aprendiendo Machine
Learning!
Suscripción Aprende Machine Learning
Suscribe al blog y te llegará el aviso del próximo artículo semanal/quincenal sobre

Machine Learning.
Email: Your email address here
ENVIAR
Hasta la próxima!
Libro Relacionado
Libros Relacionados
Algoritmos Ejercicio entrenar Jupyter Notebook Machine Learning Python
APRENDIZAJE PROFUNDO: UNA GUÍA RÁPIDA
 
QUÉ ES OVERFITTING Y UNDERFITTING Y CÓMO SOLUCIONARLO
42 comments
Borja · March 28, 2018
Hola, quisiera saber que algoritmo de machine learning me serviría para

clasificar a mis clientes. Creo que Kmeans es el algoritmo utilizado en estos
casos. Lo que me gustaría conseguir es optimizar la publicidad para conocer los
perfiles más comunes de mis clientes y segmentarlos.
Muchas gracias
Reply
Na8 · March 28, 2018
Hola Borja, si tienes características de tus clientes y no los tienes

etiquetados, es una muy buena opción aplicar k-means para crear
(y descubrir) clusters (grupos) de perfiles (pues es un algoritmo sin
supervisión). Una vez que obtengas el valor óptimo de K (es decir, la
cantidad de grupos) y ejecutado el algoritmo, deberás analizar el
resultado para ver cual es el centro de cada grupo y comprender lo
que los hace únicos y diferenciales del resto de grupos. Si necesitas
ayuda me avisas!. ¿Has visto mi artículo sobre k-means? el enlace es
k-means con Python paso a paso. Saludos y espero que nos

mantengamos en contacto.
 Reply 
efrain · May 17, 2018
Hola Juan Ignacio…. Lo felicito porque está muy bien explicado este tema…. siga
así…. !!!!
Reply
Na8 · May 19, 2018
Hola efraín, muchas gracias por tus palabras!. Espero poder escribir
un nuevo artículo sobre Redes Neuronales con Python pronto!.
Saludos y seguimos en contacto
Reply
efrain · June 1, 2018
Hola Juan Ignacio…. Estuve replicando este ejemplo tuyo

con otra base de datos que tiene entradas mixtas
(categóricas y numéricas) con salida categorica (1,2,3) y
todo bien hasta cuando se va a crean el model.fit(X,y)
No se si me puedas ayudar a entender porque pasa eso
enviando el notebook y la BD. Gracias mil
Reply
Na8 · June 1, 2018
Efrain, sígueme por Twitter y te paso por

mensaje directo mi email para que me
adjuntes los archivos. O si quieres,
escríbeme por aquí el error que te da y lo

revisamos.
 Reply 
Etienne · July 30, 2018
Juan Ignacio, de verdad muchas gracias por ayudarnos a todos los que estamos
aprendiendo.
Reply
Na8 · August 1, 2018
Gracias Etienne! Siempre da alegría saber que les puedo ayudar!

Espero seguir escribiendo nuevos artículos! Saludos
Reply
Iven · August 23, 2018
Hola Juan Ignacio, muchas gracias, y muchas felicidades también por tan loable
labor de compartir este conocimiento tan útil, me esta siendo de muchísima
ayuda. Tengo una pregunta, en tu dataset en la variable objetivo “clase”, no
están niveladas las categorías (86,40,44), al parecer en este caso no afecta en
gran medida al resultado porque son pocos datos, pero si tuviéramos el mismo
escenario pero con más datos ej. (8725,1230,2300), ¿nos serviría también este
algoritmo, o tendríamos que prescindir de algunos datos para nivelar el
numero?
Gracias
Reply
 
Na8 · August 24, 2018
Hola Iven, gracias por participar en el Blog!. Muy buena tu

observación. Te cuento que lo ideal siempre es tener las etiquetas o
clases balanceadas. Esto es tener casi la misma cantidad de clases
en el conjunto de entrenamiento. Esto es para que el algoritmo
supervisado que aprende generalice correctamente el
conocimiento. Si no, corremos el riesgo de que tenga un sesgo, o
que caiga en Overfitting obteniendo inferencias erróneas.
Hay que tener en cuenta 2 cosas:
* Por una parte, según el algoritmo que utilicemos, tendrá mayor o
menor “tolerancia” a estas “clases desniveladas”. Por ejemplo Naive
Bayes se comporta bastante bien a pesar de tener pocas muestras
de una clase. Sin embargo para Regresión continua o lineal
conviene un buen equilibrio.
* Por otra parte, tenemos técnicas para equilibrar las clases
“artificialmente”, por ejemplo inventando muestras inexistentes
como se suele hacer para redes neuronales que reconocen
imágenes: se toma una misma imagen y se la “copia y pega” pero
rotada unos grados a la izquierda, o se le aplica algún filtro de
desenfoque.
Saludos y espero que te ayude la respuesta!
Reply
Muchas gracias por contestar tan rápido Juan Ignacio, me

quedó muy clara la respuesta. Ahora bien, me gustaría
aprender sobre ese tipo de técnicas que comentas para
equilibrar las clases. ¿Tendrás a la mano información de
este tipo o algún sitio en donde me pueda informar?
Saludos y nuevamente felicitaciones por este proyecto.
Reply
Na8 · August 24, 2018
Hola Iven, creo que un buen artículo en

 inglés es 8 Tactics to Combat Imbalanced 
Classes in Your Machine Learning Dataset.
Como verás, hay diversas tácticas a seguir.
Puede servirte de punta pié inicial para que
busques en Google “imbalanced data” ó
“Synthetic Samples”.
El tema es realmente interesante, por lo que
lo tendré en cuenta para un futuro artículo!
Reply
Muchas gracias Juan Ignacio,

seguiré con este tema.
Alberto · August 24, 2018
Hola Nacho. Muy buen artículo. Bastante bien explicado, aunque he tenido que
buscar ayuda externa de k-fold cross validation, ya que no sabía lo que era (por
si la vale a alguien, aquí lo explican muy bien en inglés:
https://magoosh.com/data-science/k-fold-cross-validation/). Tengo una
preguntilla: si al principio entrenamos el modelo con todos los datos, ¿cómo es
que al predecir sobre esos mismos datos obtenemos sólo un 77% de acierto en
vez de un 100%? Muchas gracias y un saludo
Reply
Na8 · August 24, 2018
Hola Alberto, gracias por participar. Con respecto a las definiciones

y/o referencias a otros temas como k-folds o cross validación, me
acabas de dar una buena idea, que es la de crear un glosario en el

blog, en donde podré poner ese tipo de notas. Gracias también por
 el enlace sobre k-fold. 
Con respecto a tu pregunta te respondo: por más que utilizamos
todos los datos de nuestro conjunto, el algoritmo será capaz de
generalizar el conocimiento hasta un cierto punto. En este caso,
logra acertar en el 77% de los casos. Si hubiera dado el 100%
seguramente querría decir que está cayendo en Overfiting (lo que
es un problema).
En resumen y para que quede claro:
* que utilicemos el 100% de datos no quiere decir que vayamos a
tener un 100% de aciertos.
* de hecho, es una mala práctica usar el 100%, pues conviene
separar un subconjunto para utilizarlo como test del algoritmo
* Si agregáramos muchas más EPOCHS (iteraciones) al algoritmo
puede ser que mejoremos el porcentaje de aciertos, pero
seguramente estemos teniendo Overfiting lo cual no es bueno.
Saludos, espero que sigamos en contacto!
Reply
Alberto · August 27, 2018
¡Muchas gracias por la respuesta! Seguiré leyéndote.

Reply
Pedro · November 15, 2018
Hola Nacho.
Al ejecutar este código:
predictions = model.predict(X)
print(predictions)[0:5]
 
me sale este error:
TypeError Traceback (most recent call last)

in ()
1 predictions = model.predict(X)
—-> 2 print(predictions)[0:5]
TypeError: ‘NoneType’ object is not subscriptable
¿podrías ayudarme cómo corregirlo?

Reply
Na8 · November 15, 2018
Pedro, creo que es un simple error:

Pasar de
print(predictions)[0:5]
a
print(predictions[0:5])
Reply
Edinson · November 26, 2018
para felicitarte por tu blog, te comento estoy haciendo una predicción con
imágenes usando inteligencia artificial, si me puede colaborar con una guía por
que camino me debo ir , ya que es un tema sobre procesamiento de imagen de
cáncer
agradezco tu atención.
Reply
 
Edinson · November 26, 2018
Hola buenas noches, para consultar cual es el mejor algoritmo que me permite
analizar imágenes con inteligencia artificial, agradecería tu colaboración
guiándome con el tema, te comento es sobre el análisis de imagen de cáncer
para clasificar su porcentaje de efectividad
Reply
Na8 · November 26, 2018
Hola Edinson, gracias por escribirme y participar del blog. Te

comento que “afortunadamente” hay varios experimentos,
ejemplos y ejercicios para análisis de imágenes de cáncer para
clasificar e identificar casos benignos o malignos.
Como algoritmo, si tu entrada son imágenes yo utilizaría
Convolutional Neural Network (CNN). Si cuentas con otras features,
por ej información específica del tumor y ubicación, datos de los
pacientes, podrías intentar mezclar tb un algoritmo como Naive
Bayes ó Regresión Logística.
Te dejo aquí una lista de artículos que he encontrado y que te
pueden servir:
Classifying Breast Cancer Histology Images with Convolution

Nets -tiene el código enlazado
Detecting Breast Cancer with Deep Learning
Medical Image Analysis with Deep Learning
SKIN CANCER CLASSIFICATION WITH DEEP LEARNING
How To Build a Machine Learning Classifier in Python with

Scikit-learn
 
Creo me está faltando alguna otra cosilla para recomendarte, pero
ahora mismo por falta de tiempo no puedo. Más adelante intentaré
agregar más información.
Saludos!
Reply
josh · December 1, 2018
Muchas gracias bro, me sirvio mucho tu explicacion y la verdad muy entendible.

Reply
Na8 · December 1, 2018
Me alegra que sirva! Y gracias Josh por visitar el blog! Saludos

Reply
subjonctifblog · February 5, 2019
Hola Juan Ignacio! Excelente ejercicio, bien explicado.

Recomiendo para realizar practicas Colab de Google, puedes utlizar numpy,
Pandas,Sickit Learn…
Una pregunta, crees que puedo utlizar un modelo de regresion logistica e un
problema donde tengo
* La ubicacion.
* La fecha.
* Franja horaria
 * Si fue o no fue un accidente 
Para predecir en donde y cuando va a ocurrir un accidente automovilistico. Te
agradecieria tu opinion y consejos. Gracias!
Reply
Na8 · February 5, 2019
Hola subjonctifblog, Justo acabo de publicar un nuevo artículo

sobre Gooble Colab y cómo utilizarlo! gracias por el consejo
Te cuento que para el tipo de problema que planteas puedes usar
Regresión, SVM ó lo mejor serían Redes Neuronales Recursivas, de
hecho mejor las de tipo LSTM y realizar predicciones de tipo
“forecast” es decir dependientes de tiempo (time series). Tengo
pensado escribir al respecto próximamente. Saludos y si necesitas
enlaces, dime y te paso unos cuantos! Saludos
Reply
subjonctifblog · February 7, 2019
Hola de nuevo Juan Ignacio, gracias por tu consejo,

espero poder probar con al menos dos algoritmos de los
que me sugieres.
Algo muy importante que se me olvido preguntar en la
otra ocasion es que tengo un dataset desbalanceado, mi
variable respuesta es algo asi:
0 788070
1 36517
Name: Accident, dtype: int64
0 – No hubo accidente en ese lugar
1 – Si hubo accidente en ese lugar
La pregunta entoces seria como puedo balancear el
dataset porque ahora el modelo es genial prediciendo
no’s pero de lo contrario es malisimo, te agradeceria
mucho tu ayuda. Gracias!
Reply
 Na8 · February 8, 2019


Hola, mira, para dataset desbalanceados
tienes diversas alternativas:
1-intentar conseguir más muestras de la
clase que tienes menos
2-Usar un algoritmo que no le afecte mucho
el desbalanceo como Naive Bayes (ó Arbol
decisión con “class_weight”)
3-Recortar el dataset, en tu caso, usar por ej:
las 36.000 casos de tipo 1 y tomar sólo
72.000 del tipo 0 en vez de todos para
entrenar. PERO ojo con esto, pues podrías
estar introduciendo un sesgo. Deberás tener
en cuenta como “mezclar” las de tipo 0 para
que sean representativas.
4-Si tuvieras la posibilidad de hacer “data
augmentation”.
5-Cambiar el foto de tu problema: por ej. en
vez de hacer predicción, hacer detección de
anomalías.
Por el momento esas se me ocurren!.
Saludos
Reply
Misael · February 21, 2019
Gracias por compartir sus conocimientos, me ha ayudado mucho.

Reply
Na8 · February 26, 2019
Hola Misael, muchas gracias por escribir! seguimos en contacto!

 Saludos 
Reply
Diana · May 31, 2019
Hola Juan Ignacio, muchas gracias por todas tus publicaciones, son super faciles
de comprender.
Te quería preguntar que me aconsejas para hacer una regresion logistica para
determinar la probabilidad de 9 clases, teniendo en cuenta que tengo variables
categoricas y numericas, mi variable a predecir es categórica, intente convertir
toda la variable en dummie, pero el algoritmo que indicas no me funciona. Tal
vez sera porque son demasiadas clases?
O como defino mi variable a predecir y las predictorias?
gracias Juan Ignacio
Saludos,
Reply
Na8 · June 3, 2019
Hola Diana, me puedes escribir al formulario y así me comentas

mejor por email, pues no comprendo del todo tu pregunta. Si
puedes dime concretamente qué variables tienes, de qué es el
problema que intentas resolver, para ver si entiendo mejor.
Saludos y gracias por escribir!
Reply
iñaki · June 13, 2019
hola, muy buena la practica. Mi pregunta es la siguiente: por qué el modelo

 predice 3 tipos de resultados 0, 1 y 2 y no otros? es decir segun entiendo divide 
el conjunto de datos en 3 tipos, bajo que parametros determina esto? y por otro
lado que diga 0, 1 y 2 bajo que parametro determinamos que valor corresponde
a cada S.O.? GRACIAS!
Reply
Na8 · June 19, 2019
Hola iñaki, en este caso, ya vienen definidos los tipo de sistema

operativo como 0,1 y 2 en el archivo csv de entrada. Si hubiéramos
definido otros números serían esos. O si hubieran sido cadenas de
texto o por ejemplo “a,b,c” habría que convertirlos a valores
categóricos. Saludos y gracias por escribir!
Reply
iñaki · June 13, 2019
estimado,
hay algo que me cuesta comprender, al ingresar un conjunto de datos y solicitar
que nos determine a que clase pertenece, por que nos da solo 3 resultados?
bajo qué parametros determina los distintos resultados?
Reply
DiegoV · June 26, 2019
Hola Juan Ignacio, que sentencia utilizarías en el ejemplo para hacer un K-S test,
y el p-value test? Gracias
 Reply 
Jorge · August 18, 2019
Hola Juan Ignacio,
Cuando dices “Y ahora hacemos las predicciones -en realidad clasificación-

utilizando nuestro «cross validation set», es decir del subconjunto que habíamos
apartado. En este caso vemos que los aciertos fueron del 85% pero hay que
tener en cuenta que el tamaño de datos era pequeño..”, no veo que escribas:
model.fit(X_train, Y_train)
¿No sería necesario antes de calcular las predicciones y su scoring? De esa

manera el modelo no habría aprendido previamente de todo el data set cuando
lo hemos hecho .fit() pero con todos los datos.
Gracias
Reply
petter · February 7, 2020
Tienes razon men, no lo habia notado se debe de ajustar a los vaores

de entrenamiento
Reply
prueba con un RANDOM_STATE=99 para que obtengas el valor mas

alto del accuracy.
 Reply 
christian · January 9, 2020
buenas, te felicito por la pagina. Consulta, el dataset solo tiene que tener
variables cuantitativas o dummies?
Reply
hola men, gracias por compartir tu conocimiento, una consulta sabes por que el
valor que tome el RANDOM_STATE influye mucho en el valor del score?
Por ejemplo usaste un valor de random_state=7 y con ese lograste superar el
score que se uso sin dividir la data en train/test, pero si le ponemos otros
valores al random_state el valor del score cambia, sabes como influye mucho el
valor del random_state? como elegir el mejor valor del random_state? se que si
no lo usas te cambia la data por lo que es mecesario darle un valor pero como
saber cual es el mejor valor?
Reply
He visto que podemos tomar un rango y graficar los scores, para ver en cual es
 el mas alto: algo asi 
scores=[]
for i in range(1,100):
X_train,X_test,y_train,y_test=train_test_split(X,Y,test_size=0.20,random_state=i)
kfold = KFold(n_splits=10, random_state=42)
cv_results = model_selection.cross_val_score(modelo, X_train, y_train, cv=kfold,
scoring=’accuracy’)
predicciones2 = modelo.predict(X_test)
scores.append([i,accuracy_score(y_test, predicciones2)])
for i in range(1,100):
plt.plot(scores[i-1][0],scores[i-1][1],marker=’x’)
el cambio se da por el RANDOM_STATE en el train_split, en el kfold no influye el
valor del random:state
Reply
Yele · June 23, 2020
Hola Juan, que algoritmo recomiendas para predecir el crecimiento de las

plantas utilizando valores como cantidad de luz, temperatura, etc? He intentado
con regresión lineal pero el error cuadrático es muy alto
Reply
Leave a Reply
Enter your comment here...
 Visita nuestra Guía de Aprendizaje


Buscar
Search …
Contacto
Suscripción
Recibe los artículos de Aprende Machine Learning en tu casilla de correo. Cada 15 días y sin Spam!
Email: Your email address here
ENVIAR
Proudly powered by WordPress | Theme: Eighties by Justin Kopepasah.

Regresión Logística en Python - Aprende Machine Learning

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Regresión Logística en Python - Aprende Machine Learning

Cargado por

Copyright:

Formatos disponibles

2/1/23, 8:30 PM Regresión Logística en Python | Aprende Machine Learning

Regresión Logística con

Breve Introducción a la Regresión Logística

Utilizaremos algoritmos de Machine Learning en Python para resolver un problema de

Vamos a clasificar problemas con dos posibles estados “SI/NO”: binario o un número

Confiaremos en la implementación del paquete sklearn en Python para ponerlo en

Ejercicio de Regresión Logística en Python

Duración de la visita en Segundos

Como la salida es discreta, asignaremos los siguientes valores a las etiquetas:

¿Cómo instalar tu ambiente de desarrollo Python Anaconda?

Regresión Logística con SKLearn:

Identificar Sistema Operativo de los usuarios

A continuación llamamos al método dataframe.describe() que nos dará algo de

Antes de empezar a procesar el conjunto de datos, vamos a hacer unas visualizaciones

Creamos el Modelo de Regresión Logística

Ahora cargamos las variables de las 4 columnas de entrada en X excluyendo la columna

p class=””>LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,

Validación de nuestro modelo

Una buena práctica en Machine Learning es la de subdividir nuestro conjunto de datos de

Para ello, subdividimos nuestros datos de entrada en forma aleatoria (mezclados)

Logistic Regression: 0.743407 (0.115752)

Finalmente vemos en pantalla la “matriz de confusión” donde muestra cuantos resultados

Reporte de Resultados del Modelo

También podemos ver el reporte de clasificación con nuestro conjunto de Validación. En

Clasificación (o predicción) de nuevos

Como último ejercicio, vamos a inventar los datos de entrada de navegación de un

1 X_new = pd.DataFrame({'duracion': [10], 'paginas': [3], 'acciones': [5], 'valor': [9]})

En este ejercicio las 3 clases están equilibradas, pero ¿Qué pasa si

Espero que puedan seguir correctamente el ejercicio y si tienen inconvenientes técnicos

Archivo de Entrada csv (su nombre es usuarios_win_mac_lin.csv)

Si te interesa aprender algoritmos con Python, ahora está

Suscripción Aprende Machine Learning

Suscribe al blog y te llegará el aviso del próximo artículo semanal/quincenal sobre

Email: Your email address here

Algoritmos Ejercicio entrenar Jupyter Notebook Machine Learning Python

APRENDIZAJE PROFUNDO: UNA GUÍA RÁPIDA

Borja · March 28, 2018

Hola, quisiera saber que algoritmo de machine learning me serviría para

Na8 · March 28, 2018

Hola Borja, si tienes características de tus clientes y no los tienes

k-means con Python paso a paso. Saludos y espero que nos

efrain · May 17, 2018

Na8 · May 19, 2018

efrain · June 1, 2018

Hola Juan Ignacio…. Estuve replicando este ejemplo tuyo

Na8 · June 1, 2018

Efrain, sígueme por Twitter y te paso por

escríbeme por aquí el error que te da y lo

Etienne · July 30, 2018

Na8 · August 1, 2018

Gracias Etienne! Siempre da alegría saber que les puedo ayudar!

Iven · August 23, 2018

Hola Iven, gracias por participar en el Blog!. Muy buena tu

Iven · August 24, 2018

Muchas gracias por contestar tan rápido Juan Ignacio, me

Na8 · August 24, 2018

Hola Iven, creo que un buen artículo en

Iven · August 27, 2018

Muchas gracias Juan Ignacio,

Alberto · August 24, 2018

Na8 · August 24, 2018

Hola Alberto, gracias por participar. Con respecto a las definiciones